把行列、公式与页面位置一起保留下来
现在
常用
现存任务记录里结构路线 0 次(11 月 4 日数,被清掉的旧记录查不到);这次没有运行结构模型
截至 11 月 4 日 · 项目源码和任务记录

当一行文字必须和另一列数字对应时,只把字读出来还不够。结构解析保留表格、公式、区域和阅读顺序,让我能继续整理材料,并按同一页的图像位置核对每一处内容。

当前情况:已有保留表格、公式、区域和阅读顺序的解析功能,现役 10 月 26 日版本(和此前 10 月 16 日版本)的合成验收通过;截至 11 月 4 日,现存任务记录里这条结构路线是 0 次(被清掉的旧记录查不到)。行列与关键数字仍需回到原页检查。结构解析只能用显卡:普通文字识别在显卡被占时可以改用 CPU,这条路线不会,显卡不可用时直接报冲突。

项目现状截至 2026-10-11 14:00(北京时间),于同日 16:30–16:48 只读核对;具体测试保留各自日期,页面不实时探测运行状态。

项目源码:公开仓库

把行列、公式与页面位置一起保留下来
现在
常用
现存任务记录里结构路线 0 次(11 月 4 日数,被清掉的旧记录查不到);这次没有运行结构模型
截至 11 月 4 日 · 项目源码和任务记录

当一行文字必须和另一列数字对应时,只把字读出来还不够。结构解析保留表格、公式、区域和阅读顺序,让我能继续整理材料,并按同一页的图像位置核对每一处内容。

当前情况:已有保留表格、公式、区域和阅读顺序的解析功能,现役 10 月 26 日版本(和此前 10 月 16 日版本)的合成验收通过;截至 11 月 4 日,现存任务记录里这条结构路线是 0 次(被清掉的旧记录查不到)。行列与关键数字仍需回到原页检查。结构解析只能用显卡:普通文字识别在显卡被占时可以改用 CPU,这条路线不会,显卡不可用时直接报冲突。

项目现状截至 2026-10-11 14:00(北京时间),于同日 16:30–16:48 只读核对;具体测试保留各自日期,页面不实时探测运行状态。

项目源码:公开仓库

这项功能怎样使用

用途与实际影响

为什么需要它

采购表、双栏文档和公式页容易被普通提字打散。这个模块把结构作为明确结果需求:模型负责还原可见关系,原图负责最终复核,不把一段流畅文本当作表格已经准确恢复。

举个实际例子

我可以说:“把采购订单的商品、型号、数量、单价和金额按行列保留下来。”系统会检查列数、商品与数字对应关系和合计;识别出来的数字仍要回到原图核对,不能直接当成正确业务金额。

最后我会得到什么

拿到可阅读的表格、公式和页面位置,也有供程序处理的结构化文件;商品与金额关系可回原页核对。它不直接生成 Excel,也不能凭识别到印章就判断真假。

结果怎么看
正常时

结构与文字一起返回,可以按页和区域核对。

发现问题时

行列、阅读顺序、公式或坐标有误时保留原始输出并回原图检查,不静默改写。

入口不可用或证据不足时

结构模型或输入不支持时返回明确失败;普通提字的结果不能冒充结构解析成功。

这项功能怎样使用

用途与实际影响

为什么需要它

采购表、双栏文档和公式页容易被普通提字打散。这个模块把结构作为明确结果需求:模型负责还原可见关系,原图负责最终复核,不把一段流畅文本当作表格已经准确恢复。

举个实际例子

我可以说:“把采购订单的商品、型号、数量、单价和金额按行列保留下来。”系统会检查列数、商品与数字对应关系和合计;识别出来的数字仍要回到原图核对,不能直接当成正确业务金额。

最后我会得到什么

拿到可阅读的表格、公式和页面位置,也有供程序处理的结构化文件;商品与金额关系可回原页核对。它不直接生成 Excel,也不能凭识别到印章就判断真假。

结果怎么看
正常时

结构与文字一起返回,可以按页和区域核对。

发现问题时

行列、阅读顺序、公式或坐标有误时保留原始输出并回原图检查,不静默改写。

入口不可用或证据不足时

结构模型或输入不支持时返回明确失败;普通提字的结果不能冒充结构解析成功。

从哪里开始

在 LocalOCR 请求中明确说“保留表格行列、公式或区域”,并指定原件。

需要准备什么
  • 有结构的图片或扫描 PDF
  • 需保留的列、公式、印章区域或页码
从开始到拿到结果
1识别哪些关系不能丢
系统从页面找出表头、行列、公式和区域,再选择能保留这些关系的识别路线。
2逐页还原可见关系
系统按实际模型解析页面,保存表格块、文字行、顺序和位置。
3回到原页核对
取得可读和结构文件后核对关键单元格;不把整齐排版当金额正确,也不宣称生成 Excel。
从哪里开始

在 LocalOCR 请求中明确说“保留表格行列、公式或区域”,并指定原件。

需要准备什么
  • 有结构的图片或扫描 PDF
  • 需保留的列、公式、印章区域或页码
从开始到拿到结果
1识别哪些关系不能丢
系统从页面找出表头、行列、公式和区域,再选择能保留这些关系的识别路线。
2逐页还原可见关系
系统按实际模型解析页面,保存表格块、文字行、顺序和位置。
3回到原页核对
取得可读和结构文件后核对关键单元格;不把整齐排版当金额正确,也不宣称生成 Excel。
技术实现与依据(一)
这里保留实现、关键条件、精确入口、历史记录和验证结果。
结构字段与解析路线已实现,合成验收通过;日常任务尚未使用
关键规则与设计选择
1
表格和版面必须明确提出,auto 不自动进入 structure(结构化版面)。
2
PDF 坐标属于实际渲染像素,按对应页的比例与尺寸核对;做过非线性矫正时不能伪称可以直接映射原图。
3
图表识别当前关闭;印章区域识别不证明印章真伪。
当前怎样实现
  • pp-structure-v3 profile 使用 PP-StructureV3 + PP-OCRv5;当前 PaddleOCR 结构接口不能把普通 OCRv6 配置直接套入该路线。
  • use_table_recognition、use_formula_recognition、use_seal_recognition、use_region_detection 与 format_block_content 已开启,use_chart_recognition=false。
  • engines/structure.py 保留版面、表格 HTML、公式、印章、区域和原始 OCR(光学字符识别) 行,避免只保留展示文本而丢掉独立位置证据。
  • engines/vl.py 为复杂 PDF 提供视觉语言解析;VL 与显式 Structure(结构化版面) 是不同选择,不用一个模型名称覆盖所有文档场景。
  • 正常 iter_input_pages 采用 216 DPI 和 24M 像素上限逐页渲染并删除上一临时页,独立 input_page_count 验 PDF 页/TIFF 帧;旧显式物化函数默认 scale=2.0,不能当当前所有结果的固定比例。
技术实现与依据(一)
这里保留实现、关键条件、精确入口、历史记录和验证结果。
结构字段与解析路线已实现,合成验收通过;日常任务尚未使用
关键规则与设计选择
1
表格和版面必须明确提出,auto 不自动进入 structure(结构化版面)。
2
PDF 坐标属于实际渲染像素,按对应页的比例与尺寸核对;做过非线性矫正时不能伪称可以直接映射原图。
3
图表识别当前关闭;印章区域识别不证明印章真伪。
当前怎样实现
  • pp-structure-v3 profile 使用 PP-StructureV3 + PP-OCRv5;当前 PaddleOCR 结构接口不能把普通 OCRv6 配置直接套入该路线。
  • use_table_recognition、use_formula_recognition、use_seal_recognition、use_region_detection 与 format_block_content 已开启,use_chart_recognition=false。
  • engines/structure.py 保留版面、表格 HTML、公式、印章、区域和原始 OCR(光学字符识别) 行,避免只保留展示文本而丢掉独立位置证据。
  • engines/vl.py 为复杂 PDF 提供视觉语言解析;VL 与显式 Structure(结构化版面) 是不同选择,不用一个模型名称覆盖所有文档场景。
  • 正常 iter_input_pages 采用 216 DPI 和 24M 像素上限逐页渲染并删除上一临时页,独立 input_page_count 验 PDF 页/TIFF 帧;旧显式物化函数默认 scale=2.0,不能当当前所有结果的固定比例。
技术实现与依据(二)
1
说明需要表格、公式、印章区域或复杂版面,而不只说提字。
2
选择 VL 或显式 Structure(结构化版面),核对实际 profile。
3
PDF 逐页渲染,图片按其对应输入空间处理。
4
保留结构块、原始文字行、顺序与位置,生成可读和结构化输出。
5
按原页核对行列、公式、边界与坐标,不以表格看着整齐代替正确性。
  • 普通 OCR(光学字符识别) 对平面截图默认关闭文档形变矫正;VL 与 Structure(结构化版面) 的文档配置仍开启,复核时应核对实际坐标所属图像空间。
  • 保留的 9 月 3 日采购表 figure_title 因 figure 标签进入 excluded_regions,Markdown 漏标题且 text_lines 把 PO 读成 P0;当前标签过滤代码仍有该条件,新的表格合成测试没有证明这张旧图已修复。
执行流程
技术实现与依据(二)
1
说明需要表格、公式、印章区域或复杂版面,而不只说提字。
2
选择 VL 或显式 Structure(结构化版面),核对实际 profile。
3
PDF 逐页渲染,图片按其对应输入空间处理。
4
保留结构块、原始文字行、顺序与位置,生成可读和结构化输出。
5
按原页核对行列、公式、边界与坐标,不以表格看着整齐代替正确性。
  • 普通 OCR(光学字符识别) 对平面截图默认关闭文档形变矫正;VL 与 Structure(结构化版面) 的文档配置仍开启,复核时应核对实际坐标所属图像空间。
  • 保留的 9 月 3 日采购表 figure_title 因 figure 标签进入 excluded_regions,Markdown 漏标题且 text_lines 把 PO 读成 P0;当前标签过滤代码仍有该条件,新的表格合成测试没有证明这张旧图已修复。
执行流程
名词和入口
本模块用到的名词
名词意思
table HTML(表格结构标记)保存行列关系的模型输出,可供后续转换;格式存在不代表单元格内容正确。
reading order(阅读顺序)文档块应按什么顺序阅读;多栏和复杂布局下仍需核对。
rendered pixels(渲染像素)PDF 被转成图片后的坐标单位,与原 PDF 的点坐标不同。
专业定义

提取文字之外,还要保留表格行列、阅读顺序、公式和原图位置。

名词和入口
本模块用到的名词
名词意思
table HTML(表格结构标记)
意思:
保存行列关系的模型输出,可供后续转换;格式存在不代表单元格内容正确。
reading order(阅读顺序)
意思:
文档块应按什么顺序阅读;多栏和复杂布局下仍需核对。
rendered pixels(渲染像素)
意思:
PDF 被转成图片后的坐标单位,与原 PDF 的点坐标不同。
专业定义

提取文字之外,还要保留表格行列、阅读顺序、公式和原图位置。

出问题时
解决什么
防止表格行列被拼成无关系的文本、公式信息被过度简化,以及把不同坐标空间混用导致复核指错区域。
边界
只有输出中实际存在的结构才可宣称提取成功,不能从模型能力标签猜结果。
不保证恢复任意复杂表格,也不代替公式推导或印章鉴真。
没有直接生成 Word、Excel 或可搜索 PDF 的现行导出入口。
失败与恢复
  • 表格合并或阅读顺序错误: 保留原始结构与文字行,按原图校对;下游转换不得掩盖不确定性。
  • 框的位置对不上 PDF: 先核对页码、render_scale、渲染尺寸和矫正空间,不直接把像素框作为 PDF 点坐标。
  • 模型未加载或结构解析失败: 保留明确错误;若另选普通提字,应注明能力降级和本次实际输出。
出问题时
解决什么
防止表格行列被拼成无关系的文本、公式信息被过度简化,以及把不同坐标空间混用导致复核指错区域。
边界
只有输出中实际存在的结构才可宣称提取成功,不能从模型能力标签猜结果。
不保证恢复任意复杂表格,也不代替公式推导或印章鉴真。
没有直接生成 Word、Excel 或可搜索 PDF 的现行导出入口。
失败与恢复
  • 表格合并或阅读顺序错误: 保留原始结构与文字行,按原图校对;下游转换不得掩盖不确定性。
  • 框的位置对不上 PDF: 先核对页码、render_scale、渲染尺寸和矫正空间,不直接把像素框作为 PDF 点坐标。
  • 模型未加载或结构解析失败: 保留明确错误;若另选普通提字,应注明能力降级和本次实际输出。
依据与来源
真实入口
  • 结构与原始文字保留
  • 复杂文档路线
  • 页面渲染与坐标
  • 实际结构选项
  • 结构字段回归
如何验证
  • 源码与配置已核对表格、公式、印章、区域开启而图表关闭的实际状态;截至 11 月 4 日,三个默认模型配置和这些开关都没有变化。结构解析配置不带 CPU 参数:10 月 26 日起普通文字识别在显卡被占时可改用 CPU,这条路线不跟着改,显卡被占时返回冲突(409),调度器不可用时返回 503。
  • test_structure.py 与相关输出测试验证字段、文字行和坐标保留,不代表真实模型对任意文档准确。
  • 9 月 3 日采购表保留六列五条商品和合计,却漏标题并有 PO/P0 错字;9 月 17 日结构表格的九个单元格及自动表格案例通过;9 月 24 日验收的 structure_table 九个关键单元格也通过,10 月 16 日(上一版现役)验收的同一案例关键单元格同样通过;现役 10 月 26 日快照的验收(北京时间 10 月 26 日 04:05:49 开始)依赖、单元、质量三步都正常结束,本轮没有逐项读它的结构案例单元格。不同样例不能相互改写结果:新案例通过,不证明 9 月 3 日那张旧图的漏标题和错字已经修好。截至 11 月 04 日 13:30 的完成任务里没有一条走结构路线,所以这条能力照样保留,只是还没在真实材料上验过。
与其他模块的关系

输入路线决定何时选择结构解析;本模块拥有结构含义,结果模块拥有输出身份与质量解释,后续文档排版由独立工具完成。

依据与来源
真实入口
  • 结构与原始文字保留
  • 复杂文档路线
  • 页面渲染与坐标
  • 实际结构选项
  • 结构字段回归
如何验证
  • 源码与配置已核对表格、公式、印章、区域开启而图表关闭的实际状态;截至 11 月 4 日,三个默认模型配置和这些开关都没有变化。结构解析配置不带 CPU 参数:10 月 26 日起普通文字识别在显卡被占时可改用 CPU,这条路线不跟着改,显卡被占时返回冲突(409),调度器不可用时返回 503。
  • test_structure.py 与相关输出测试验证字段、文字行和坐标保留,不代表真实模型对任意文档准确。
  • 9 月 3 日采购表保留六列五条商品和合计,却漏标题并有 PO/P0 错字;9 月 17 日结构表格的九个单元格及自动表格案例通过;9 月 24 日验收的 structure_table 九个关键单元格也通过,10 月 16 日(上一版现役)验收的同一案例关键单元格同样通过;现役 10 月 26 日快照的验收(北京时间 10 月 26 日 04:05:49 开始)依赖、单元、质量三步都正常结束,本轮没有逐项读它的结构案例单元格。不同样例不能相互改写结果:新案例通过,不证明 9 月 3 日那张旧图的漏标题和错字已经修好。截至 11 月 04 日 13:30 的完成任务里没有一条走结构路线,所以这条能力照样保留,只是还没在真实材料上验过。
与其他模块的关系

输入路线决定何时选择结构解析;本模块拥有结构含义,结果模块拥有输出身份与质量解释,后续文档排版由独立工具完成。

复制 AI 续作说明

项目:把行列、公式与页面位置一起保留下来;仓库:wlyaaaaa/LocalOCR;范围:整个项目;目标:(这里写这次要做的事)。先读项目的 AGENTS.md 和说明,按现行规则做。

把“目标”换成这次要做的事,整段复制给 AI。